一种列车最大牵引力控制系统

1.本发明属于列车牵引控制技术领域，尤其是涉及列车最大牵引力控制系统。


背景技术：

2.列车运行通过轮轨间的相互作用来实现，只有在保证轮轨间的有效粘着为前提条件下，才能进一步利用牵引电机的功率。轮轨粘着特性不仅与列车自身和轮轨材料有关，也与线路状况、轨面清洁度等一系列随时空变化的不确定因素相关。若机车运行过程中牵引力大于轮轨间可用粘着力，多余牵引力将加速车轮形成空转，相对滑动速度很快加大，可用粘着力则迅速降低，会造成轮轨的磨损甚至毁坏，不仅增加了铁路运营的保养维修费用，也会威胁到机车的安全运行。由于机车运行的条件千变万化，牵引中，司机操纵的改变或轨面条件的恶化，空转并不能完全避免；目前国内交直机车主要采用组合校正法进行防空转防滑控制，首先对车轮加速度进行判断，当加速度超过一定阈值时表示空转滑行现象比较严重，则快速深度削减动轮驱动转矩，即削减机车牵引力；如果车轮加速度没有超过阈值，则对蠕滑速度进行判断，当蠕滑速度超过阈值时，对驱动转矩进行较大幅度的调整，反之，判定为正常运行状况。在用的组合校正法采用2个或者是多个单项阈值条件判断是否发生空转，在未发生空转时，不能实现空转风险的综合判断；在已经发生空转时，不能实现空转程度的综合综合判断。


技术实现要素：

3.本发明的目的在于，针对现在已有技术的缺陷，提供一种列车最大牵引力控制系统来实现最大牵引力的控制。列车最大牵引力控制系统包括最大牵引力限定神经网络模型、牵引力限定模块和空转牵引力控制模块，列车车速控制器输出的列车牵引力由最大牵引力限定神经网络模型输出的列车最大牵引力限定值通过牵引力限定模块进行上限限幅控制，再由空转牵引力控制模块对列车牵引力进行空转牵引力控制，即进行列车牵引力减载控制。
4.最大牵引力限定神经网络模型的输入为列车车速和轨道状态，输出为列车最大牵引力限定值；最大牵引力限定神经网络模型采用2轮次训练建模。
5.空转牵引力控制模块依据蠕滑度变化率、蠕滑度和列车轮对速度变化率判断列车轮对是否发生空转，并依照空转判断结果决定是否对列车牵引力进行空转牵引力控制。
6.所述最大牵引力限定神经网络模型采用2轮次训练建模。第1轮次训练建模的方法是，输入的轨道状态设定为干燥，最大牵引力限定神经网络模型以函数
[0007][0008]
为目标进行进行逼近训练，得到经验公式逼近模型，其中，v是模型输入的列车车速，f
μm
是模型输出的最大牵引力限定值，p
μ
为计算粘着重量；括号中的表达式为粘着系数μj，即
[0009][0010]
a1、a2、a3、a4、a5为计算粘着系数的经验公式参数。
[0011]
第2轮次训练建模的方法是，使用采集的列车车速、轨道状态和相对应的最大牵引力限定值样本数据，在经验公式逼近模型的基础上进行训练，训练完成后对模型参数进行固定，得到最大牵引力限定神经网络模型。
[0012]
所述列车最大牵引力控制系统还包括对轨道状态进行分类识别和输出的轨面监测模块；轨面监测模块包括轨面图像采集单元和轨面图像识别单元，轨面图像识别单元对轨面图像采集单元采集的实时轨面图像进行识别处理并输出当前的轨道状态；轨道状态包括干燥、潮湿、撒沙，共3种状态。
[0013]
空转牵引力控制模块判断列车轮对是否发生空转的方法是，当空转风险值e大于等于1时，则列车轮对发生空转；空转风险值e按照式
[0014][0015]
进行计算，其中，x1为蠕滑度变化率，θ1为蠕滑度变化率阈值；x2为蠕滑度，θ2为蠕滑度阈值；x3为列车轮对速度变化率，θ3为轮对速度变化率阈值；τ为非线性加权指数，γ1、γ2、γ3为非线性加权因子，且τ≥2、γ1≥1、γ2≥1、γ3≥1。蠕滑度变化率x1、蠕滑度x2、列车轮对速度变化率x3均为非负值。
[0016]
空转牵引力控制模块通过控制空转牵引力控制比θ来实现空转牵引力控制，空转牵引力控制比θ为空转牵引力控制模块输出的列车牵引力与输入的列车牵引力之间的比值，且有0≤θ≤1。空转牵引力控制模块的空转牵引力控制过程是：
[0017]
过程i，空转牵引力减小过程，从空转风险值e大于等于1且持续增大开始，至空转风险值e从持续增大变为开始持续减小时结束；过程i中控制θ以斜率d1开始减小，过程i结束时的θ值为最低维持值；θ的最低维持值不小于0；
[0018]
过程ii，空转牵引力最低维持值维持过程，从过程i结束开始，至空转风险值e小于1时结束；过程ii中，空转风险值e持续减小，控制θ等于最低维持值；
[0019]
过程iii，空转牵引力恢复过程，从过程ii结束开始，至θ增大到等于1时结束；过程iii中，空转牵引力控制模块控制θ以斜率d2开始增大，直至θ等于1。斜率d1的下降速率大于斜率d2的上升速率。
[0020]
在空转牵引力控制模块的空转牵引力控制过程ii中，若空转风险值e从持续减小转变为持续增大，则返回过程i进行空转牵引力控制；在空转牵引力控制模块的空转牵引力控制过程iii中，若空转风险值e再次增大到大于等于1，则返回过程i进行空转牵引力控制。
[0021]
所述列车最大牵引力控制系统还包括列车速度调整处理模块。列车速度调节处理模块周期性地采集列车车轮旋转速度、列车雷达速度和车载卫星定位系统速度，计算得到列车车速、蠕滑度、蠕滑度变化率、列车轮对速度变化率。具体有，列车车轮旋转速度采集单元周期性地采集列车车轮旋转速度v(h)，列车雷达速度采集单元周期性地采集列车雷达速度w(h)，车载卫星定位系统速度采集单元周期性地采集车载卫星定位系统速度u(k)和定位状态信息x(k)。采集车载卫星定位系统速度和定位状态信息的周期为tu，采集列车雷达速度和列车车轮旋转速度的周期为tv；tu大于tv。速度调整计算单元依据车载卫星定位系统速
度u(k)、定位状态信息x(k)，对轮/车速度比调整模型参数、列车雷达速度调整模型参数进行整定推算，或者是依据列车雷达速度调整模型输出的雷达同步调整速度对轮/车速度比调整模型参数进行整定推算。轮/车速度比调整模型输出列车车速、蠕滑度、蠕滑度变化率、列车轮对速度变化率。采用迭代计算的方式整定推算轮/车速度比调整模型参数和列车雷达速度调整模型参数，其迭代计算的周期与车载卫星定位系统速度采集单元的采集周期tu相同。
[0022]
列车速度调整处理模块周期性地读取同步采集时间点采集的列车车轮旋转速度v(k)、列车雷达速度w(k)并进行迭代计算，k为当前迭代计算代次。
[0023]
第k次迭代计算时，列车速度调整处理模块判断车载卫星定位系统速度是否有效。判断为车载卫星定位系统速度有效时，当前轮/车速度调整系数pv(k)按照式
[0024][0025]
进行整定，其中，u(k)为最近一次采集的车载卫星定位系统速度，v(k)为在u(k)同步采集时间点采集的列车车轮旋转速度。
[0026]
判断为车载卫星定位系统速度有效时，当前雷达速度变比系数pw(k)按照式
[0027][0028]
进行整定，其中，w(k)为在u(k)同步采集时间点采集的列车雷达速度。车载卫星定位系统速度有效时，雷达速度调整系数pw等于pw(k)。
[0029]
当判断车载卫星定位系统速度无效时，当前雷达速度变比系数pw(k)按照式
[0030][0031]
进行推算。车载卫星定位系统速度无效时，雷达速度调整系数pw按照式
[0032][0033]
进行计算，其中，i＝0，1，2，......，m-1时，pw(k-i)为最近m次雷达速度变比系数，μw(k-i)为与pw(k-i)相对应的雷达速度加权系数。雷达同步调整速度w
*
(k)按照式
[0034][0035]
进行计算；当前轮/车速度调整系数按照式
[0036][0037]
进行整定。雷达速度加权系数满足式
[0038]
的关系；各雷达速度加权系数取值满足i越小则雷达速度加权系数越大的关系。
[0039]
轮/车速度比系数uv(k)按照式
[0040][0041]
进行计算，其中，pv(k-i)为i＝0，1，2，......，m-1时的最近m次轮/车速度调整系数，μv(k-i)为与pv(k-i)相对应的变比加权系数；m为大于等于3的整数。变比加权系数满足式
[0042][0043]
的关系；各变比加权系数取值时满足i越小则变比加权系数越大的关系。
[0044]
当前列车速度vc(h)按照式
[0045][0046]
进行计算，计算周期和采样周期tv相同。取列车车速v为当前列车速度vc(h)。
[0047]
蠕滑度x2按照式
[0048][0049]
进行计算。
[0050]
蠕滑度变化率x1按照式
[0051][0052]
进行计算，uv(k-1)为前一次计算所得到的轮/车速度比系数。
[0053]
列车轮对速度变化率x3按照式
[0054][0055]
进行计算，v(h)为当前采集的列车车轮旋转速度，v(h-1)为前一次采集的列车车轮旋转速度。
[0056]
车载卫星定位系统速度u(k)采样时刻之前的第τ个列车车轮旋转速度采集时刻为u(k)同步采集时间点，τ是延滞间隔周期数，在该点采集的列车车轮旋转速度为v(k)。同样地，车载卫星定位系统速度u(k)采样时刻之前的第τ个列车雷达速度采集时刻为u(k)同步采集时间点，列车雷达速度w(k)和列车车轮旋转速度v(k)的同步采集时间点一致。延滞间隔周期数τ是将车载卫星定位系统速度获得时刻滞后于列车车轮旋转速度和列车雷达速度的获得时刻的时间滞后值转换成为的采集周期tv倍数值。当车载卫星定位系统速度u(k)无效时，其采样时刻仍然存在，即u(k)同步采集时间点仍然存在。当满足
[0057][0058]
的关系且最近连续的m1次判断车载卫星定位系统速度均为有效时，进行延滞间隔
周期数τ的计算，m1≥0；ε为大于0的加速度变化阈值，具体来说，ε的数值可以在至的数值范围内选择，为列车的启动平均加速度。上式中，β(k)即为i等于0时的β(k-i)，为计算的最近一次列车加速度变化率；i分别等于1，2，......，m
1-1时的β(k-i)为最近的m
1-1次的列车加速度变化率。
[0059]
列车加速度变化率按照式
[0060][0061]
进行计算；其中，α(k)为最近一次采集的列车加速度，α(k-1)为前一次采集的列车加速度。
[0062]
列车加速度由加速度计测量采集。或者是，列车加速度按照式
[0063][0064]
进行计算；其中，u(k-1)为采集u(k)的前一次采集的车载卫星定位系统速度。
[0065]
计算延滞间隔周期数τ的方法是，设待优化的参数为延滞间隔周期数为τ
*
、雷达速度比例系数p
w*
和轮对速度比例系数p
v*
。延滞间隔周期数为τ
*
时，与u(k-i)相对应的同步采集时间点采集的列车车轮旋转速度为v
*
(k-i)，与u(k-i)相对应的同步采集时间点采集的列车雷达速度为w
*
(k-i)，即与u(k)相对应的同步采集时间点采集的列车车轮旋转速度、列车雷达速度分别为v
*
(k)、w
*
(k-i)，与u(k-1)相对应的同步采集时间点采集的列车车轮旋转速度、列车雷达速度分别为v
*
(k-1)、w
*
(k-1)，与u(k-2)相对应的同步采集时间点采集的列车车轮旋转速度、列车雷达速度分别为v
*
(k-2)、w
*
(k-2)，以此类推。最小值优化目标函数是
[0066][0067]
取满足最优值(即q为最小值)q的延滞间隔周期数τ
*
为延滞间隔周期数τ；τ
*
的取值范围是大于0且小于2/tv的整数，p
w*
和p
v*
的取值范围均是大于等于0.8且小于等于1.2。
[0068]
所述列车速度调整处理模块中，对采样得到的列车车轮旋转速度滤波后得到采集的列车车轮旋转速度；对采样得到的列车雷达速度滤波后得到采集的列车雷达速度；对采样得到的车载卫星定位系统速度滤波后得到采集的车载卫星定位系统速度。在采集第一次车载卫星定位系统速度之前，令
[0069][0070]
其中，i＝1，2，......，m-1。
[0071]
本发明的有益效果是：最大牵引力限定神经网络模型采用2轮次方式进行建模，建立的最大牵引力限定神经网络模型可以在以大量实验数据为基础所得到的计算粘着系数经验公式基础上，兼顾列车的实际运行路段与变化的运行路况，使列车的最大牵引力限制能够随路段路况的变化实时改变，尽量在不发生轮对空转的情况下进行列车牵引。当粘着条件变差，即使进行上限限幅的情况下，轮轴的机车牵引力(轮周切线力)仍然大于轮轨粘着力，不能避免轮对发生空转时，为尽快恢复列车的正常牵引，本发明采用非线性数学模型计算空转风险值e，将传统轮对空转的多个单项阈值判断条件与单项阈值条件均不满足的
情况下的加权判断条件综合为一个整体，简化了判断依据，也在单项阈值条件均不满足的情况下，将多个因素量化后进行加权计算，实现多因素的综合判断，使空转判断更为全面准确。非线性数学模型的选取，能够尽量避免单项阈值条件均不满足的情况下加权判断条件的误判可能性。同时，加权判断条件的作用大小可以通过参数来进行设置与调节，各加权项的相对作用大小也可以通过参数来进行设置与调节，使该非线性数学模型归一化的列车轮对空转判断方法能够适用于不同的机车类型与运行状况。
附图说明
[0072]
图1为列车最大牵引力控制系统结构示意图；
[0073]
图2为建立列车牵引力限幅模型的流程方法图；
[0074]
图3为列车轮对发生空转时，空转牵引力控制模块的空转牵引力控制示意图1；
[0075]
图4为列车轮对发生空转时，空转牵引力控制模块的空转牵引力控制示意图2；
[0076]
图5为列车速度调整处理模块结构示意图；
[0077]
图6为列车速度调整方法流程图；
[0078]
图7为轮/车速度比系数一阶拟合直线示意图；
[0079]
图8为计算延滞间隔周期数的流程图；
[0080]
图9为车载卫星定位系统速度采集延滞、列车加速度、列车加速度变化率示意图；
[0081]
图10为车载卫星定位系统速度的列车车轮旋转速度与列车雷达速度同步采集时间点示意图。
具体实施方式
[0082]
以下结合附图对本发明作进一步说明。所述列车为电力机车牵引的列车。
[0083]
图1为列车最大牵引力控制系统结构示意图，包括最大牵引力限定神经网络模型10、牵引力限定模块11、空转牵引力控制模块12、列车速度调整处理模块13和轨面监测模块14。f1为从列车车速控制器(即机车速度控制器)输出的列车牵引力，f
μm
为最大牵引力限定神经网络模型输出的列车最大牵引力限定值，牵引力限定模块依据f
μm
对输入的上限限幅控制之前的列车牵引力f1进行列车牵引力上限限幅控制，输出为上限限幅控制之后的列车牵引力f2，具体有
[0084][0085]
最大牵引力限定神经网络模型的输入为列车车速v和轨道状态c1，输出为列车最大牵引力限定值f
μm
。建立列车牵引力限幅模型，即建立最大牵引力限定神经网络模型的方法是采用2轮次进行训练建模。
[0086]
图2为建立列车牵引力限幅模型的流程方法图。第一是确定神经网络模型结构。轨面监测模块输出的轨道状态可以是单参数向量，即c1为标量。针对识别结果的干燥状态、潮湿状态、撒沙状态，c1分别等于3个常量；例如，令c1对应干燥状态、潮湿状态、撒沙状态分别等于2、1、3；此时最大牵引力限定神经网络模型的输入参数为2个，即输入为c1、v，输出为f
μm
；最大牵引力限定神经网络模型可以选择2-5-1的3层bp神经网络结构，或者是2-7-1的3层bp神经网络结构；在进行第1轮次训练建模时，c1设定为干燥状态，即令c1＝2。轨道状态为
单参数向量时，针对识别结果的干燥状态、潮湿状态、撒沙状态，也可以令c1分别对应等于其他常数值，例如，令c1对应干燥状态、潮湿状态、撒沙状态分别对应等于0、1、-1，此时在进行第1轮次训练建模时，令c1＝0。
[0087]
轨面监测模块输出的轨道状态还可以是3参数向量，即c1＝(c
11
，c
12
，c
13
)，3个参数c
11
、c
12
、c
13
分别表述针对干燥状态、潮湿状态、撒沙状态的识别结果，且结果均为二值取一，例如，设二值为1、0，当轨面状态识别结果为干燥时，c
11
、c
12
、c
13
分别取值为1、0、0；当轨面状态识别结果为潮湿时，c
11
、c
12
、c
13
分别为0、1、0；当轨面状态识别结果为撒沙时，c
11
、c
12
、c
13
分别为0、0、1；或者是，设二值为1、-1，当轨面状态识别结果为干燥时，c
11
、c
12
、c
13
分别取值为1、-1、-1；当轨面状态识别结果为潮湿时，c
11
、c
12
、c
13
分别为-1、1、-1；当轨面状态识别结果为撒沙时，c
11
、c
12
、c
13
分别为-1、-1、1；等等。最大牵引力限定神经网络模型可以选择4-7-1的3层bp神经网络结构，或者是4-9-1的3层bp神经网络结构，或者是4-11-1的3层bp神经网络结构；在进行第1轮次训练建模时，c1设定为干燥状态，例如，若设定二值为1、0，则令c
11
、c
12
、c
13
分别为1、0、0。
[0088]
轨面监测模块输出的轨道状态为单参数向量时，最大牵引力限定神经网络模型也可以选择结构为2-3-1，或者是2-4-1，或者是2-5-1的3层的径向基函数神经网络。轨面监测模块输出的轨道状态为3参数向量时，最大牵引力限定神经网络模型也可以选择结构为4-5-1，或者是4-6-1，或者是4-7-1的3层的径向基函数神经网络。轨面图像识别单元对实时轨面图像进行干燥状态、潮湿状态、撒沙状态的分类识别并输出，是图像处理的常规技术。
[0089]
第二是确定待逼近的经验公式。经验公式为
[0090][0091]
其中，v是模型输入的列车车速；f
μm
是模型输出的最大牵引力限定值；p
μ
为列车牵引机车的计算粘着重量，牵引列车的机车型号确定以后为常数；括号中的表达式为粘着系数μj，即
[0092][0093]
a1、a2、a3、a4、a5为计算粘着系数的经验公式参数，其值与电力机车型号相关，例如，国产各型电力机车分别取a1＝0.24、a2＝12、a3＝100、a4＝8、a5＝0；6k型电力机车分别取a1＝0.189、a2＝8.86、a3＝44、a4＝1、a5＝0；8g型电力机车分别取a1＝0.28、a2＝4、a3＝50、a4＝6、a5＝-0.0006；等等。列车车速v的单位是km/h；p
μ
和各牵引力f
μm
、f1、f2、f3的单位是kn；在需要时，牵引力也可以转换为对应的转矩。
[0094]
第三是进行第1轮次训练建模。输入的轨道状态有干燥、潮湿、撒沙，将输入的轨道状态设定为干燥，最大牵引力限定神经网络模型以式(2)的函数为目标进行逼近训练，得到经验公式逼近模型。
[0095]
第四是进行第2轮次训练建模。分别对不同型号的电力机车均进行列车车速、轨道状态以及与列车车速、轨道状态相对应的最大牵引力限定值进行样本数据采集。当第1轮次训练建模的a1、a2、a3、a4、a5为国产各型电力机车的经验公式参数时，使用采集的国产各型电力机车列车车速、轨道状态及其相对应的最大牵引力限定值样本数据，在经验公式逼近模型的基础上进行训练，训练完成后对模型参数进行固定，得到国产各型电力机车的最大牵
引力限定神经网络模型。同样地，当第1轮次训练建模的a1、a2、a3、a4、a5为6k型电力机车的经验公式参数时，使用采集的6k型电力机车列车车速、轨道状态及其相对应的最大牵引力限定值样本数据，在经验公式逼近模型的基础上进行训练，训练完成后对模型参数进行固定，得到6k型电力机车的最大牵引力限定神经网络模型。当第1轮次训练建模的a1、a2、a3、a4、a5为8g型电力机车的经验公式参数时，使用采集的8g型电力机车列车车速、轨道状态及其相对应的最大牵引力限定值样本数据，在经验公式逼近模型的基础上进行训练，训练完成后对模型参数进行固定，得到8g型电力机车的最大牵引力限定神经网络模型。等等。训练建模完成后，最大牵引力限定神经网络模型输入列车速度调整处理模块和轨面监测模块实时采集的列车车速和轨道状态，输出列车最大牵引力限定值，由牵引力限定模块依据最大牵引力限定值对列车牵引力进行上限限幅控制。
[0096]
空转牵引力控制模块采用建立的非线性数学模型来计算空转风险值e，空转风险值e按照式
[0097][0098]
进行计算。式(4)中，x1为蠕滑度变化率，θ1为蠕滑度变化率阈值；x2为蠕滑度，θ2为蠕滑度阈值；τ为非线性加权指数，γ1、γ2为非线性加权因子，且有τ≥2、γ1≥1、γ2≥1。蠕滑度变化率x1、蠕滑度x2均为非负值。空转判断条件是，当e≥1时则判断列车(机车)轮对发生了空转。结合式(4)和空转判断条件，分解得到的空转判断逻辑是：有3种情况(或者是满足3个条件之一)可以判断为列车(机车)轮对发生了空转，分别是，
①
当蠕滑度变化率x1大于等于阈值θ1时；
②
或者是，当蠕滑度x2大于等于阈值θ2时；
③
或者是，当蠕滑度变化率x1小于阈值θ1且蠕滑度x2小于阈值θ2且空转风险值e大于等于1时。前面的2个条件
①②
是单项阈值条件，即单项满足x1≥θ1时，或者是单项满足x2≥θ2时，均满足e大于等于1，即满足空转判断的条件。条件
③
是在单项阈值条件均不满足的情况下的加权判断条件；τ的值越大，则单项超阈值判断所占因素越大，加权判断的作用越小；当τ足够大时，空转判断逻辑的主体是单项阈值条件
①②
，条件
③
的作用很小，或者是几乎不起作用；例如γ1、γ2均为1，τ等于200时，0.99
200
等于0.134，即使是x1/θ1、x2/θ2均等于0.99，空转风险值e等于0.268，e也小于1，无法满足空转判断条件，加权判断几乎不起作用。当τ取值越小时，条件
③
加权作用的体现越大，例如，γ1、γ2均为1，τ等于2时，若x1/θ1等于0.8，则x2/θ2等于0.6时e等于1，已经满足空转判断条件。非线性加权因子γ1、γ2用于确定加权项之间相对作用的大小，不影响各单项超阈值的判断条件；γ1、γ2的值越大，则相应判断项的加权作用越小；反之，γ1、γ2的值越小，则相应判断项的加权作用越大；例如，γ1小，γ2大，则在条件
③
的空转风险值e计算中，x1/θ1这1项在加权计算中所起的作用比项x2/θ2大，但单项阈值条件
①②
的作用不变，只要
①②
任何一项达到或者超阈值，仍然满足空转判断条件。
[0099]
空转风险值e或者是按照式
[0100][0101]
进行计算。式(5)中，x1为蠕滑度变化率，θ1为蠕滑度变化率阈值；x2为蠕滑度，θ2为蠕滑度阈值；x3为列车轮对速度变化率，θ3为轮对速度变化率阈值；τ为非线性加权指数，γ1、γ2、γ3为非线性加权因子，且τ≥2、γ1≥1、γ2≥1、γ3≥1。蠕滑度变化率x1、蠕滑度x2、
列车轮对速度变化率x3均为非负值。空转判断条件是，当e≥1时则判断列车(机车)轮对发生了空转。结合式(5)和空转判断条件，分解得到的列车(机车)轮对空转判断逻辑是：有4种情况(或者是满足4个条件之一)可以判断为发生了空转，分别是，
①
当蠕滑度变化率x1大于等于阈值θ1时；
②
或者是，当蠕滑度x2大于等于阈值θ2时；
③
或者是，当列车轮对速度变化率x3大于等于阈值θ3时；
④
或者是，当蠕滑度变化率x1小于阈值θ1且蠕滑度x2小于阈值θ2且列车轮对速度变化率x3小于阈值θ3且空转风险值e大于等于1时。前面的3个条件
①②③
是单项阈值条件，即单项满足x1≥θ1时，或者是单项满足x2≥θ2时，或者是单项满足x3≥θ3时，均满足e大于等于1，即满足空转判断的条件。条件
④
是在单项阈值条件均不满足的情况下的加权判断条件；τ的值越大，则单项超阈值判断所占因素越大，加权判断的作用越小；当τ足够大时，空转判断逻辑的主体是单项阈值条件
①②③
，条件
④
的作用很小，或者是几乎不起作用；例如γ1、γ2、γ3均为1，τ等于200时，0.99
200
等于0.134，即使是3个判断项与相应的阈值之比均为0.99，空转风险值e也只等于0.402，e小于1，无法满足空转判断条件。当τ取值较小时，条件
④
加权作用的体现越大，例如，γ1、γ2、γ3均为1，τ等于2时，若x1/θ1等于0.8，x2/θ2等于0.6，x3/θ3等于0即可满足空转判断条件。非线性加权因子γ1、γ2、γ3用于确定加权项之间相对作用的大小，不影响各单项超阈值的判断条件；γ1、γ2、γ3的值越大，则相应判断项的加权作用越小；反之，γ1、γ2、γ3的值越小，则相应判断项的加权作用越大。例如，γ1小，γ2、γ3大，则在条件
④
的空转风险值e计算中，x1/θ1这1项在加权计算中所起的作用比项x2/θ2、x3/θ3均大，但单项阈值条件
①②③
的作用不变，只要
①②③
任何一项达到或者超阈值，仍然满足空转判断条件。
[0102]
前述θ2的取值范围是0.005～0.05之间；θ1的取值范围是0.0001/s～0.005/s之间；θ3的取值范围是3m/s2～30m/s2之间。x1、x2、x3的单位分别与θ1、θ2、θ3的单位相同。
[0103]
式(4)中的2个判断项，或者是式(5)中的3个判断项，每一项均为指数大于等于2的幂函数，其特点是，在待判断值没有超过相应的阈值时，随着待判断值的增大，曲线斜率增大，即相关值离相应的阈值越近，其值变化对函数项的影响越大，例如，以x1与θ1比较为例，x1离θ1越近，则x1的较小变化，也能够引起判断项较大的变化。幂函数的该特性放大了阈值附近待判断值(即x1、x2、x3)变化的作用，在阈值附近更为灵敏；反过来，当待判断值远小于阈值时，降低了灵敏度，以尽量避免单项阈值条件均不满足的情况下加权判断条件的误判可能。式(4)、式(5)中，τ的值越大，则在待判断值没有超过相应的阈值时，曲线斜率变化的情况越大，即在阈值附近更为灵敏，远离阈值更不灵敏。
[0104]
计算空转风险值e的非线性数学模型式(4)、式(5)中均有蠕滑度变化率和蠕滑度项。蠕滑度是列车轮对速度与列车车速之间的相对差距，其值的大小直接反映列车轮对离发生空转还差多少程度，或者是已经空转的程度；蠕滑度变化率是蠕滑度变化的速度，该值同时与列车轮对速度变化率和列车车速变化率相关，其值越大，则发生空转的风险越高。式(5)中还有列车轮对速度变化率项，该项与蠕滑度变化率类同，其值越大，则发生空转的风险越高，但列车轮对速度变化率与列车车速变化无关，该项的加入可以加大列车车速较高时对空转发生的预判程度。计算空转风险值e时可以根据需要来选择式(4)，或者是式(5)；选择式(5)时，因为蠕滑度变化率、列车轮对速度变化率的作用有趋同性，确定γ1、γ3大小时应该予以考虑。
[0105]
计算空转风险值e的非线性数学模型，即式(4)，或者是式(5)，以及相应的空转判
断条件，将传统的多个轮对空转单项阈值判断条件与单项阈值条件均不满足的情况下的加权判断条件综合为一个整体，简化了判断依据，也在单项阈值条件均不满足的情况下，将多个因素量化后进行加权计算，实现多因素的综合判断，使空转判断更为全面准确。非线性数学模型的选取，能够尽量避免单项阈值条件均不满足的情况下加权判断条件的误判可能性。同时，加权判断条件的作用大小可以通过参数来进行设置与调节，各加权项的相对作用大小也可以通过参数来进行设置与调节，使该非线性数学模型归一化的列车轮对空转判断方法能够适用于不同的机车类型与运行状况。
[0106]
图3为列车轮对发生空转时，空转牵引力控制模块的空转牵引力控制示意图1。空转牵引力控制比θ为空转牵引力控制模块输出的列车牵引力与输入的列车牵引力之间的比值，即牵引力控制比θ为空转牵引力控制之后列车牵引力f3与空转牵引力控制之前列车牵引力f2之间的比值，f3与输入的牵引力f2之间满足
[0107]
f3＝θ
·f2 0≤θ≤1
ꢀꢀꢀꢀ
(6)
[0108]
的关系。图3中的t1之前，空转风险值e小于1，列车轮对未发生空转，空转牵引力控制比θ等于1。空转牵引力控制模块的空转牵引力控制过程是：
[0109]
过程i，空转牵引力减小过程；从空转风险值e大于等于1且持续增大开始，至空转风险值e从持续增大变为开始减小结束，即从图3中的t1时刻开始，至t2时刻结束；过程i中，空转牵引力控制模块控制θ以斜率d1开始减小，过程i结束时的θ值为最低维持值。θ的最低维持值不小于0。
[0110]
过程ii，空转牵引力最低维持值维持过程；从过程i结束开始，空转风险值e持续减小至空转风险值e小于1结束，即从图3中的t2时刻开始，至t3时刻结束；过程ii中，空转牵引力控制模块控制θ等于最低维持值。
[0111]
过程iii，空转牵引力恢复过程；从过程ii结束开始，至θ增大到等于1结束，即从图3中的t3时刻开始，至t4时刻结束；过程iii中，空转牵引力控制模块控制θ以斜率d2开始增大，直至θ等于1。斜率d1的下降速率在0.3/s至2/s之间选择，例如，斜率d1的下降速率选择为0.5/s时，则1s时间将θ降低50％，可以是1s时间从100％降低至50％，或者是1s时间从80％降低至30％，等等。斜率d1的上升速率在0.05/s至005/s之间选择，例如，斜率d2的上升速率选择为0.2/s时，则1s时间将θ增加20％，可以是1s时间从40％增加至60％，或者是1s时间从50％增加至70％，等等。在确定d1、d2时，斜率d1的下降速率(绝对值)大于斜率d2的上升速率(绝对值)。
[0112]
当空转风险值e从小于1增大到大于等于1时，满足从空转风险值e大于等于1且持续增大的条件。当θ等于1，且空转风险值e持续小于1时，空转牵引力控制模块没有实行空转牵引力控制。
[0113]
图4为列车轮对发生空转时，空转牵引力控制模块的空转牵引力控制示意图2。在过程ii中，若空转风险值e从持续减小转变为持续增大，则返回过程i进行空转牵引力控制；如图4中，在t5时刻，空转风险值e从持续减小转变为持续增大，空转牵引力控制模块即刻从过程ii返回过程i。在过程iii中，若空转风险值e再次增大到大于等于1，则返回过程i进行空转牵引力控制；如图4中，在t6时刻，空转风险值e再次增大到大于等于1，空转牵引力控制模块即刻从过程iii返回过程i。
[0114]
目前国内常用的组合校正法中，无论空转程度如何，力矩的卸载策略都固定不变，
没有考虑卸载过程中的轮轨粘着状态；一是卸载深度不够，空转未得到完全抑制；二是卸载深度过大，造成机车牵引力损失；三是只有当加速度或者蠕滑率小于设定的阈值时才会停止卸载，容易导致卸载深度过大的后果。本发明的空转牵引力控制模块依据实现多因素的综合判断的空转风险值来进行空转牵引力控制，机车牵引力减载程度与减载过程均由反映轮轨粘着状态的空转风险值来控制，能够尽量避免卸载深度不够，空转未得到完全抑制，或者是卸载深度过大，造成机车牵引力损失的情况；在空转风险值由增大变化为减小时即停止卸载，可以较好地避免卸载深度过大的后果。空转风险值的非线性特性，能够使风险偏大的判断项起到相对更明显的控制作用。
[0115]
图5为实现列车速度调整方法的列车速度调整处理模块结构，或者说是列车速度调整系统结构示意图。列车车轮旋转速度采集单元101输出采集的列车车轮旋转速度v(h)(含v(k))至速度调整计算单元104，列车雷达速度采集单元103输出采集的列车雷达速度w(h)(含w(k))至速度调整计算单元104；车载卫星定位系统速度采集单元102采集并输出的车载卫星定位系统速度u(k)、定位状态信息x(k)至速度调整计算单元104；速度调整计算单元104依据输入信息对轮/车速度比调整模型参数和列车雷达速度调整模型参数进行整定推算，并输出列车车速、蠕滑度、蠕滑度变化率、列车轮对速度变化率。具体来说，速度调整计算单元104中的组合开关sw1由端子5输入的定位状态信息x(k)控制；当依据x(k)判断为车载卫星定位系统速度有效时，控制组合开关sw1的端子1与端子2、端子3连接，由车载卫星定位系统速度u(k)去整定轮/车速度比调整模型和列车雷达速度调整模型的参数；端子4悬空，列车雷达速度调整模型输出的雷达同步调整速度w*(k)此时未使用，即w*(k)此时不起作用。当依据x(k)判断为车载卫星定位系统速度无效时，控制sw1的端子4与端子2连接，列车雷达速度调整模型按照给定方法递推列车雷达速度调整模型的参数，列车雷达速度调整模型对列车雷达速度值w(h)中同步采集时间点的列车雷达速度值w(k)进行调整得到雷达同步调整速度w*(k)，由雷达同步调整速度w*(k)去整定轮/车速度比调整模型的参数；端子1、端子3悬空，即此时车载卫星定位系统速度u(k)未使用(或者是无效)，列车雷达速度调整模型的参数不由外部信号进行整定。轮/车速度比调整模型依据输入的列车车轮旋转速度v(k)、列车雷达速度w(k)进行调整计算，输出送至最大牵引力限定神经网络模型10的列车车速v和送至空转牵引力控制模块12的各列车速度相关量c2，其中当空转风险值e按照式(4)进行计算时，各列车速度相关量c2包括蠕滑度变化率x1和蠕滑度x2；当空转风险值e按照式(5)进行计算时，各列车速度相关量c2包括蠕滑度变化率x1、蠕滑度x2和列车轮对速度变化率x3。图5中的组合开关sw1是一个示意开关，其含义是依据x(k)来控制信号流的走向，在数字控制中通常采用程序分支的方法来实现。
[0116]
列车速度调整系统实施例中，列车车轮旋转速度采集单元的采集周期tv为32ms，车载卫星定位系统速度采集单元的采集周期tu为1s，m等于4。在输出列车车轮旋转速度v(h)和列车雷达速度w(h)时，相应的速度采集单元在速度采样和数据处理环节已经根据具体情况进行了相应的滤波处理；例如，列车车轮旋转速度v(h)若采用脉冲转速传感器(编码器)进行采样，则相应滤除脉冲边沿的抖动干扰和脉冲传输过程中的高频干扰；若列车车轮旋转速度v(h)、列车雷达速度w(h)直接输出模拟量或者数字量，可以则单独或者结合采用低通滤波、平滑滤波、卡尔曼滤波，以及其他滤波手段，滤除高频干扰、随机干扰、白噪声干扰等。车载卫星定位系统速度采集单元中包括全球导航卫星系统gnss中的一个或者多个接
收终端，例如，gps系统接收终端、北斗卫星导航系统接收终端、伽利略卫星导航系统接收终端、glonass系统接收终端中的一个或者是多个，还包括相应的接收处理模块；接收处理模块接收一个或者是多个接收终端的正在使用解算位置的卫星数量、地面速率(车载卫星定位系统速度)、定位状态是否有效等信息；或者还包括接收一个或者是多个接收终端的经度、纬度、utc时间、海拔高度等信息，并据此推算车载卫星定位系统速度。列车车轮旋转速度采集单元、列车雷达速度采集单元和车载卫星定位系统速度采集单元中所采取的技术手段为本领域的常规技术手段。
[0117]
图6为列车速度调整系统中，整定推算轮/车速度比调整模型参数、列车雷达速度调整模型参数并计算轮/车速度比系数、各列车速度相关量的列车速度调整方法的流程图，其迭代计算的周期与车载卫星定位系统速度采集单元的采集周期相同，每一次迭代计算时的具体步骤是：
[0118]
步骤1，读取第k次迭代计算时(相当于ktu采样时刻)的车载卫星定位系统数据，包括车载卫星定位系统速度u(k)、定位状态信息x(k)；
[0119]
步骤2，读取车载卫星定位系统速度u(k)同步采集时间点采集的列车车轮旋转速度v(k)和列车雷达速度w(k)；
[0120]
步骤3，判断车载卫星定位系统速度是否有效；判断为车载卫星定位系统速度有效时，转到步骤4；判断为车载卫星定位系统速度无效时，转到步骤5；
[0121]
步骤4，根据u(k)整定轮/车速度比调整模型参数和雷达速度调整模型参数，即按照式
[0122][0123]
整定当前轮/车速度调整系数pv(k)和雷达速度变比系数pw(k)；令雷达速度调整系数pw等于pw(k)，转到步骤6；
[0124]
步骤5，推算调整雷达速度模型参数，即按照式
[0125][0126]
推算当前雷达速度变比系数pw(k)；以及按照式
[0127][0128]
计算雷达速度调整系数pw；按照式
[0129][0130]
计算雷达同步调整速度w
*
(k)；根据w
*
(k)整定轮/车速度比调整模型参数，即按照式
[0131]
[0132]
整定当前轮/车速度调整系数pv(k)；转到步骤6；
[0133]
步骤6，计算调整轮/车速度比系数，计算各列车速度相关量。计算调整轮/车速度比系数uv(k)共有2个实施例；计算调整轮/车速度比系数uv(k)的实施例1，按照式
[0134][0135]
计算轮/车速度比系数uv(k)。计算调整轮/车速度比系数uv(k)实施例2，对m个点(k，pv(k))、(k-1，pv(k-100、
…
、(k-m+1，pv(k-m+1))进行直线拟合得到轮/车速度调整系数一阶拟合直线，取轮/车速度调整系数一阶拟合直线上点(k，uv(k))的值uv(k)为轮/车速度比系数uv(k)。图7为轮/车速度调整系数一阶拟合直线示意图。图7中，m等于4，从左至右的4个“+”点分别为点(k-3，pv(k-3))、(k-2，pv(k-2))、(k-1，pv(k-1))、(k，pv(k))，轮/车速度调整系数一阶拟合直线上的点“o”为点(k，uv(k))。图7为示意图，4个“+”点的系数值不是实际数据，为展示清楚，误差特意标识较大，且一阶拟合直线的斜率也特意标识较大。
[0136]
定位状态信息x(k)中包括有定位状态是有效定位，还是无效定位的信息，以及正在使用解算位置的卫星数量信息。列车速度调整方法的步骤3中，判断车载卫星定位系统速度是否有效的方法1是，当定位状态信息x(k)中的定位状态为有效定位时，车载卫星定位系统速度为有效，否则，车载卫星定位系统速度为无效。或者，判断车载卫星定位系统速度是否有效的方法2是，当定位状态信息x(k)和x(k-1)中的定位状态均为有效定位时，车载卫星定位系统速度为有效，否则，车载卫星定位系统速度为无效。或者，判断车载卫星定位系统速度是否有效的方法3是，当定位状态信息x(k)中的定位状态为有效定位，且定位状态信息x(k)中正在使用解算位置的卫星数量大于等于δ个时，车载卫星定位系统速度为有效，否则，车载卫星定位系统速度为无效。或者，判断车载卫星定位系统速度是否有效的方法4是，当定位状态信息x(k)和x(k-1)中的定位状态均为有效定位，且定位状态信息x(k)和x(k-)中的正在使用解算位置的卫星数量均大于等于δ个时，车载卫星定位系统速度为有效，否则，车载卫星定位系统速度为无效。
[0137]
x(k-1)是前一次迭代计算时，即k-1时刻的读取的车载卫星定位系统数据。实施例中，车载卫星定位系统速度采集单元中包括的是gps系统接收终端和相应的接收处理模块，判断车载卫星定位系统速度是否有效采用方法3，δ取值为5。通常情况下，要求δ取值大于等于4。
[0138]
步骤4-6中的pv(k)，或者是i等于0时的pv(k-i)，为当前的轮/车速度调整系数。i分别等于1、2、
…
、m-1时的pv(k-1)、pv(k-2)、
…
、pv(k-m+1)，分别为前m-1次迭代计算时得到的轮/车速度调整系数。步骤4-5中的pw(k)，或者是i等于0时的pw(k-i)，为当前的雷达速度变比系数。i分别等于1、2、
…
、m时的pw(k-1)、pw(k-2)、
…
、pw(k-m)，分别为前m次迭代计算时得到的雷达速度变比系数。μw(k)、μw(k-1)、
…
、μw(k-m+1)，为与pw(k)、pw(k-1)、
…
、pw(k-m1)相对应的雷达速度加权系数，满足式
[0139]
的关系。从大到小分别对μw(k)、μw(k-1)、
…
、μw(k-m+1)进行取值，例如，m等于4时，μw(k)、μw(k-1)、μw(k-2)、μw(k-3)分别等于0.4、0.3、0.2、0.1，或者是分别等于0.55、0.27、0.13、0.05，等等。
[0140]
步骤6计算轮/车速度比系数uv(k)的实施例1中，μv(k-1)、μv(k-2)、
…
、μv(k-m+1)为与pv(k-1)、pv(k-2)、
…
、pv(k-m+1)相对应的变比加权系数，满足式
[0141]
的关系。从大到小分别对μv(k-1)、μv(k-2)、
…
、μv(k-m+1)进行取值，例如，m等于4时，μv(k)、μv(k-1)、μv(k-2)、μv(k-3)分别等于0.4、0.3、0.2、0.1，或者是分别等于0.55、0.27、0.13、0.05，等等。
[0142]
步骤6中，各列车速度相关量包括列车车速v，蠕滑度变化率x1，蠕滑度x2，列车轮对速度变化率x3。当前列车速度vc(h)按照式
[0143][0144]
进行调整计算，计算周期和采样周期tv相同。v(h)、v(k)、w(h)、w(k)、u(k)、w
*
(k)、vc(h)的单位是m/s；tv、tu的单位是s。取列车车速v为当前列车速度vc(h)；列车车速v的单位是km/h，将单位m/s转换为km/h后，列车车速v的值等于vc(h)值的3.6倍。
[0145]
uv(k)反映的是列车轮对速度与列车车速之间的比值，故蠕滑度x2可以按照式
[0146][0147]
进行计算，计算周期和采样周期tu相同。或者是，按照式
[0148][0149]
计算当前蠕滑度x2(h)，计算周期和采样周期tv相同，取蠕滑度x2等于当前蠕滑度x2(h)。
[0150]
蠕滑度变化率x1按照式
[0151][0152]
进行计算，计算周期和采样周期tu相同。uv(k-1)为前一次按照列车速度调整方法迭代计算所得到的轮/车速度比系数。或者是，按照式
[0153][0154]
计算当前蠕滑度变化率x1，计算周期和采样周期tv相同。x2(h-1)为前一次以采样周期tv计算取蠕滑度时得到的当前蠕滑度。
[0155]
列车轮对速度变化率x3按照式
[0156][0157]
进行计算，计算周期和采样周期tv相同。v(h-1)为v(h)之前的一次采样值。
[0158]
采用式(16)、式(18)计算得到蠕滑度x2、蠕滑度变化率x1，为保证计算空转风险值e
时能够得到快速响应，建议选择式(5)来计算空转风险值e；采用式(17)、式(19)计算得到蠕滑度x2、蠕滑度变化率x1时，可以根据需要选择式(4)或者是式(5)来计算空转风险值e。
[0159]
车载卫星定位系统速度u(k)采样时刻之前的第τ个列车车轮旋转速度v(h)采集时刻为车载卫星定位系统速度u(k)同步采集时间点，τ是延滞间隔周期数，在该点采集的列车车轮旋转速度为v(k)。同样地，车载卫星定位系统速度u(k)采样时刻之前的第τ个列车雷达速度采集时刻为u(k)同步采集时间点，在该点采集的列车雷达速度为w(k)；列车雷达速度w(k)和列车车轮旋转速度v(k)的同步采集时间点一致。当车载卫星定位系统速度u(k)无效时，其采样时刻仍然存在，即u(k)同步采集时间点仍然存在。图8为列车速度调整系统实施例计算延滞间隔周期数方法的流程图，其计算的周期与车载卫星定位系统速度采集单元的采集周期相同，可以在列车速度调整方法迭代计算之前或者是之后进行计算，具体方法是：
[0160]
步骤
①
，获取当前时刻，即k时刻(即ktu采样时刻)的列车(机车)加速度变化率β(k)；
[0161]
步骤
②
，判断是否满足计算延滞间隔周期数的条件，满足式
[0162]
的关系且最近连续的m1次判断车载卫星定位系统速度均为有效时转到步骤
③
，否则退出；m1大于等于10。加速度变化阈值ε根据列车的加速能力，可以结合实验进行选择。ε的数值可以在至的数值范围内选择，为列车启动平均加速度。实施例中，tu为1s，m1等于20，列车的0-200m平均加速度通常可以达到0.4m/s2，则此时ε的数值可以在0.4至2.4的范围内选择，例如，可以取ε为0.75。式(21)中，i等于0时的β(k-i)，为当前时刻的列车加速度变化率β(k)；i等于1时的β(k-i)，为前面一次计算延滞间隔周期数(即迭代计算轮/车速度比系数)时获取的列车加速度变化率；以此类推，i等于1至m
1-1时的β(k-i)，分别为前m
1-1次计算延滞间隔周期数时获取的列车加速度变化率。最近连续的m1次判断车载卫星定位系统速度均为有效，指的是按照图6列车速度调整方法迭代计算中，最近连续的m1次迭代计算，步骤3均判断为车载卫星定位系统速度有效。
[0163]
步骤
③
，获取延滞间隔周期数τ，方法是，设待优化的参数为延滞间隔周期数为τ
*
、雷达速度比例系数p
w*
和轮对速度比例系数p
v*
；τ
*
的取值在使延滞间隔时间不大于2s的范围内选择，即τ为大于0，小于2/tv的整数；实施例中，tv等于32ms，即0.032s；2/tv等于62.5，故τ
*
的取值范围是大于0，小于等于62。p
w*
和p
v*
的取值范围均是大于等于0.8且小于等于1.2，待优化的参数p
w*
和p
v*
只用在该优化过程中。延滞间隔周期数为τ
*
时，与u(k-i)相对应的同步采集时间点采集的列车车轮旋转速度为v
*
(k-i)，与u(k-i)相对应的同步采集时间点采集的列车雷达速度为w
*
(k-1)，最小值优化目标函数是
[0164][0165]
优化可以采用遗传算法，粒子群算法，等等各种优化算法，取满足最优值(最小值)q的延滞间隔周期数τ
*
为延滞间隔周期数τ。
[0166]
步骤
①
中，获取ktu采样时刻列车加速度变化率β(k)的方法是，按照式
[0167][0168]
进行计算，其中，α(k)为当前采集的列车(机车)加速度，α(k-1)为上一次采集的列车加速度。实施例中，当前采集的列车加速度α(k)按照式
[0169][0170]
进行计算，其中，u(k)为当前采集的车载卫星定位系统速度，u(k-1)为上一次采集的车载卫星定位系统速度。列车加速度α(k)也可以采用加速度计进行测量采集。α(k)的单位是m/s2；β(k)的单位是m/s3。
[0171]
图9为车载卫星定位系统速度采集延滞、列车加速度、列车加速度变化率示意图，其中，v(t)为将v(h)连续化后得到的列车车轮旋转速度，w(t)为将w(h)连续化后得到的列车雷达速度，u(t)为将u(k)连续化后得到的卫星定位系统速度。t
τ
为车载卫星定位系统速度采集时刻滞后于列车车轮旋转速度采集时刻的滞后时间。点k-7至k为车载卫星定位系统速度的各采样时刻(k-7)tu至ktu；α(k)、β(k)分别为列车加速度、列车加速度变化率。
[0172]
图10为车载卫星定位系统速度的列车车轮旋转速度与列车雷达速度同步采集时间点示意图，其中，u(k)所在的采样时刻(即ktu)为列车速度调整系统实现列车速度调整方法进行迭代计算的当前时刻，v(h-τ)、v(h-τ+1)、......、v(h-3)、v(h-2)、v(h-1)、v(h)等所在的采样时刻为列车车轮旋转速度的各采样时刻，例如，v(h)所在的时刻为其采样时刻htv。因受电离层延迟等影响，针对同一时刻列车速度(含车载卫星定位系统速度和列车雷达速度)、列车车轮旋转速度的采集，车载卫星定位系统速度获得时刻滞后于列车车轮旋转速度及列车雷达速度的获得时刻，时间滞后值为t
τ
；延滞间隔周期数τ为相对于列车车轮旋转速度采集周期tv的周期数，即延滞间隔周期数τ是将车载卫星定位系统速度获得时刻滞后于列车车轮旋转速度和列车雷达速度的获得时刻的时间滞后值转换成为的采集周期tv倍数值。图10中，v(h-τ)所在的采样时刻(h-τ)tv为定义的车载卫星定位系统速度u(k)同步采集时间点，该点采集的列车车轮旋转速度v(h-τ)为v(k)；具体来说，车载卫星定位系统速度u(k)采样时刻之前的第τ个列车车轮旋转速度采集时刻(亦是列车雷达速度采集时刻)为u(k)同步采集时间点。列车雷达速度的采集与列车车轮旋转速度的采集周期与时刻均相同，且两者之间的相互延迟可以忽略不计，因此，列车雷达速度w(h-τ)、w(h-τ+1)、......、w(h-3)、w(h-2)、w(h-1)、w(h)的采样时刻分别与列车车轮旋转速度w(h-τ)、v(h-τ+1)、......、v(h-3)、v(h-2)、v(h-1)、v(h)的采样时刻相同，v(h-τ)所在的采样时刻v(h-τ)tv同样为w(h-τ)的采样时刻，亦同样为车载卫星定位系统速度u(k)的同步采集时间点，该点采集的列车雷达速度w(h-τ)为w(k)。
[0173]
同样地，以图10为例，在进行延滞间隔周期数τ的优化计算时，若τ*等于1，则v(h-1)所在的采样点为其相对应的同步采集时间点，其v
*
(k)等于v(h-1)，w
*
(k)等于w(h-1)；若τ
*
等于2，则v(h-2)所在的采样点为其相对应的同步采集时间点，其v
*
(k)等于v(h-2)，w
*
(k)等于w(h-2)；依此类推。要注意的是，例如τ
*
等于1，v
*
(k)等于v(h-1)，而v
*
(k-1)并不是v(h-2)；实施例中，车载卫星定位系统速度采样一次，列车车轮旋转速度平均采样31.25次，因此，若τ
*
等于1，v
*
(k)等于v(h-1)，则v
*
(k-1)可能是v(h-32)，或者是v(h-33)。在实施计算延滞间隔周期数的方法，采集列车的各种速度数据时的最近m1·
tu时间之内，列车运行过程中
的列车轮对不能出现空转现象；列车轮对没有出现空转时，列车轮对速度与体现列车车速的车载卫星定位系统速度u(k)之间的比例关系变化小，即列车运行过程中实际的轮对速度与列车车速之间的比例系数相对稳定，或者说轮对速度比例系数p
v*
相对稳定。
[0174]
由于蠕滑，特别是轮对空转的存在，列车轮对速度与实际的列车车速之间并不一致，且在判断是否发生轮对空转，计算蠕滑率、蠕滑度等数据的时候，需要分别单独测量列车轮对速度与列车车速，不能使用列车轮对速度来代替列车车速。列车车速常用雷达测速、卫星定位测速方法。卫星定位测速是通过卫星定位实时跟踪列车的运行速度与位置等信息，再通过卫星传输给列车控制端进行处理，最终得到列车车速；卫星定位测速可以克服列车轮对空转、打滑所造成的误差，但卫星定位能力受天气与地形影响大，不能100％时段实现速度测量；存在数据传输延迟且因距离、电离层情况的变化使传输延迟时间不固定，影响速度测量的实时性。雷达测速装置一般安装在列车车底，雷达天线以与地面成一定夹角的方向发射雷达波，当列车与地面有相对运动时，接收到的雷达波会产生频移，依据对雷达波长、频移量、夹角雷达安装高度等数据进行解算，即可得到列车车速；但夹角雷达安装高度等数据可能产生时移波动，且列车路面情况并不一致，雷达安装高度也可能随路面情况发生变化，从而给雷达测速的精度带来影响。前述实现列车速度调整方法的列车速度调整系统中，在卫星定位测速有效时，由卫星定位测速数据整定推算轮/车速度比调整模型参数、列车雷达速度调整模型参数；在卫星定位测速无效时，由之前被整定得到的列车雷达速度调整模型参数依据给定表达式，或者是采用一阶拟合直线的方法推算新的列车雷达速度调整模型参数，由调整后的雷达速度调整模型参数去整定推算轮/车速度比调整模型参数，然后依据轮/车速度比调整模型推算得到列车车速、蠕滑度变化率、蠕滑度和列车轮对速度变化率等各列车速度相关量。该方法结合了卫星定位测速精度高，雷达测速实时性好且能够长时段正常工作的优点，提高了测量各列车速度相关量的准确性与可靠性。列车速度调整方法还采用判断列车是否处于变速运动状态，若处于变速运动状态，则采集列车列车变速运动后的雷达测速、卫星定位测速、列车轮对测速得到的信息进行卫星定位数据传输时间，即延滞间隔周期数的优化计算，以得到准确的实时卫星定位数据传输延迟时间(即延滞间隔周期数)，进一步保证了前述列车速度调整方法推算相关速度数据的准确性与可靠性。

技术特征：
1.一种列车最大牵引力控制系统，其特征在于，包括最大牵引力限定神经网络模型、牵引力限定模块和空转牵引力控制模块，列车速度控制器输出的列车牵引力由最大牵引力限定神经网络模型输出的列车最大牵引力限定值通过牵引力限定模块进行上限限幅控制，再由空转牵引力控制模块对列车牵引力进行空转牵引力控制；最大牵引力限定神经网络模型的输入为列车车速和轨道状态，输出为列车最大牵引力限定值；最大牵引力限定神经网络模型采用2轮次训练建模；空转牵引力控制模块依据蠕滑度变化率、蠕滑度和列车轮对速度变化率判断列车轮对是否发生空转，并依照空转判断结果决定是否对列车牵引力进行空转牵引力控制；所述最大牵引力限定神经网络模型采用2轮次训练建模，第1轮次训练建模的方法是，输入的轨道状态设定为干燥，最大牵引力限定神经网络模型以函数为目标进行进行逼近训练，得到经验公式逼近模型，其中，v是模型输入的列车车速，f
μm
是模型输出的最大牵引力限定值，p
μ
为计算粘着重量，a1、a2、a3、a4、a5为计算粘着系数的经验公式参数；第2轮次训练建模的方法是，使用采集的列车车速、轨道状态和相对应的最大牵引力限定值样本数据，在经验公式逼近模型的基础上进行训练，训练完成后对模型参数进行固定，得到最大牵引力限定神经网络模型。2.如权利要求1所述的列车最大牵引力控制系统，其特征在于，空转牵引力控制模块判断列车轮对是否发生空转的方法是，当空转风险值e大于等于1时，则列车轮对发生空转；空转风险值e按照式进行计算，其中，x1为蠕滑度变化率，θ1为蠕滑度变化率阈值；x2为蠕滑度，θ2为蠕滑度阈值；x3为列车轮对速度变化率，θ3为轮对速度变化率阈值；τ为非线性加权指数，γ1、γ2、γ3为非线性加权因子，且τ≥2、γ1≥1、γ2≥1、γ3≥1。3.如权利要求2所述的列车最大牵引力控制系统，其特征在于，空转牵引力控制模块通过控制空转牵引力控制比θ来实现空转牵引力控制，空转牵引力控制比θ为空转牵引力控制模块输出的列车牵引力与输入的列车牵引力之间的比值，且有0≤θ≤1。4.如权利要求1所述的列车最大牵引力控制系统，其特征在于，还包括对轨道状态进行分类识别和输出的轨面监测模块；轨面监测模块包括轨面图像采集单元和轨面图像识别单元，轨面图像识别单元对轨面图像采集单元采集的实时轨面图像进行识别处理并输出当前的轨道状态；轨道状态包括干燥、潮湿、撒沙。5.如权利要求2-4中任何一项所述的列车最大牵引力控制系统，其特征在于，还包括列车速度调整处理模块；列车速度调整处理模块周期性地采集列车车轮旋转速度、列车雷达速度和车载卫星定位系统速度，计算得到列车车速、蠕滑速度、蠕滑加速度、列车轮对速度变化率。

技术总结
一种列车最大牵引力控制系统，最大牵引力限定神经网络模型采用2轮次方式进行建模，列车的最大牵引力限制能够随路段路况的变化实时改变，尽量在不发生轮对空转的情况下进行列车牵引。当不能避免轮对发生空转时，采用非线性数学模型计算空转风险值，将传统轮对空转的多个单项阈值判断条件与单项阈值条件均不满足的情况下的加权判断条件综合为一个整体，实现多因素的综合判断，使空转判断和空转牵引力控制更为全面准确。控制更为全面准确。控制更为全面准确。


技术研发人员：戴圣伟 凌云 陈刚 严钦云 袁川来 邓彬
受保护的技术使用者：湖南工业大学
技术研发日：2023.04.27
技术公布日：2023/6/12